基于时频分析的机械故障盲分离研究现状

基于时频分析的机械故障盲分离研究现状

盲源分离（bss）是提取多故障并在强干扰下产生有用故障特征的有效方法。而绝大多数机械源信号分离方法是限于非高斯、平稳且相互独立的源信号,并且要求观测信号数目多于信号源数,这在机械设备故障源分离中会产生许多问题,因为机械设备故障源并不满足这些假设。当机械设备发生故障时,往往表现为非平稳性。对于非平稳信号,其频谱特性是随时间而变化的,单纯的时域或频域不能充分描述非平稳信号,而时频分析提供了信号的频谱内容随时间变化的信息,是非平稳信号分析的有力工具。因此,有必要将现有的机械故障诊断的盲源分离方法推广到时频域中,借助信号的时频分布,以使机械设备多故障分离。作者详细介绍了时频域机械故障源分离方法及其国内外研究现状,重点讨论了几种典型的时频域盲分离算法,并进行比较,最后,对其进一步的研究方向谈了自己的看法。1基于emd-roiege-vill分布的盲源分离算法将时频分布和盲源分离结合起来应用到机械故障诊断中,主要是用来解决非平稳信号源分离问题。基于时频分布的机械故障源分离过程可用图1描述。在图1中,WVD、PWVD、SPWVD、CWD、FRFT、EMD分别表示Wigner-ville分布(Wigner-villeDistribution)、伪Wigner-ville分布(PseudoWigner-villeDistribution)、平滑伪Wigner-ville分布(SmoothedPseudoWigner-villeDistribution)、Choi-Williams分布(Choi-WilliamsDistribution)、分数傅里叶变换(FractionalFourierTransform)和经验模态分解(EmpiricalModeDecomposition)。在图1中,左边是基于WVD、PWVD、SPWVD、CWD、FRFT等时频分析的盲源分离算法,右边是基于EMD时频分析的盲源分离算法。两者的区别在于:前者是直接对所测得的观测数据进行处理;而后者是将所测得的观测数据进行信号分解,将得到的各个分量组成新的观测信号,然后对新观测数据进行处理。不论是基于哪一种时频分布的盲源分离,它们都包含了两个重要过程:(1)对观测信号X(t)进行白化处理,得到白化矩阵W;(2)计算白化观测信号的时频分布,并进行联合对角化,得到酉矩阵U,由此,可估计出其源信号ˆs=UΗWX(t)2不同时频域盲源分离方法现有的基于时频分析的盲源分离主要集中在Cohen类时频分布中[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]。如文献研究了基于Wigner分布的盲源分离方法,该算法主要由两步完成:一是预白化过程,二是联合对角化过程。文献研究了基于模糊函数的非平稳信号盲分离方法,该方法利用信号的不同模糊函数分布来达到混合信号分离。文献利用时频域盲分离来消除Wigner分布的交叉干扰。文献提出了基于双线性时频分布的非平稳信号盲分离方法。文献研究了基于时频分布的卷积混合盲分离方法。文献研究了基于时频分布的欠定盲分离方法。除了在Cohen类时频分布内研究非平稳信号盲分离方法外,人们也开始研究基于其他时频分析的盲源分离方法,如文献提出了基于分数Fourier变换的盲源分离方法,首先对观测信号进行白化处理得到新的观测信号,再计算新的观测信号的FRFT,由此估计广义相关矩阵,进而对估计的广义相关矩阵进行近似联合对角化,从而得到源信号的估计。仿真结果验证了该方法的有效性。在时频域盲分离理论研究基础上,人们开始探讨该理论在机械故障诊断中的应用。将时频分析和盲源分离结合起来,应用到机械故障源分离中,这一思路主要来源于两种信号分析方法各自的特点,时频分析是非平稳信号处理的有力工具,盲源分离为多故障源分离提供了一种有效方法。当前,基于时频分析的机械故障源盲分离也取得了一些进展[21,22,23,24,25,26,27,28],主要集中在Cohen类时频分布、分数Fourier变换(FractionalFourierTransform,FRFT)和经验模态分解(EmpiricalModeDecomposition,EMD)这三类时频分析领域中。为了叙述方便,作者把这三种不同时频域的机械故障源分离方法分别称为Cohen-BSS、FRFT-BSS、EMD-BSS方法。现对这三种不同时频域的机械故障源分离方法作一对比。2.1与传统技术的比较目前,基于时频分析的机械故障源分离主要集中在Cohen类时频分布领域中。文献将基于Cohen类时频分布的机械故障源分离方法应用到转子复合故障的盲分离中,并针对不同时频分布的非平稳盲源分离算法的分离效果进行了比较。文献将传统的机械故障诊断的盲源分离方法推广到Cohen类时频分布中,借助信号的时频分布,达到机械设备多故障分离的目的。同时,将提出的方法与传统的机械设备非平稳信号盲分离方法进行了比较。仿真结果表明,提出的方法优于传统的机械故障源盲分离方法,机械设备非平稳信号的盲分离必须充分利用信号的非平稳性,才能达到很好的分离。实验结果进一步验证了该方法的有效性。该方法的特点是只要源信号具有不同的时频分布,就可以实现有效分离。2.2分数furen变换域分数Fourier变换作为一种新的时频分析方法,是对经典Fourier变换的推广。它既与经典的Fourier变换有着天然的联系,又提供了Fourier变换所不具备的某些特点。分数Fourier变换是一种处理非平稳信号的有力工具。考虑到分数Fourier变换处理非平稳信号的独特优势,人们自然就希望在分数Fourier变换域研究非平稳信号的盲分离。吕亚平最先将分数傅里叶变换和盲源分离结合起来应用到轴承内外圈故障盲分离中,实验结果验证了该方法的有效性。该方法与Cohen-BSS方法相比,其显著特点是:它不必假定信号的能量随时间而变,并且它不要求在时频域选择点上的预处理阶段。2.3旋转机械故障诊断基于EMD的机械故障源盲分离的研究才刚刚起步。孙晖等人针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题,提出了一种将经验模态分解(EMD)和主成分分析(PCA)相结合的方法,对混合信号进行经验模态分解,提取嵌入在信号中的所有振荡模式,应用主成分分析方法对所提取的模式进行共性分析,得到模式中的主要成分。利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行分析,结果表明,该方法能够有效突出旋转机械的故障特征频率成分。张云等人提出了一种局域波法和盲源分离相结合的发电机转子故障诊断方法,不同故障信号的局域波时频图像也明显不同,因此可以用来进行故障的判别,以转子的故障信号为例,应用该方法进行了研究,实验结果证明了该方法的有效性。李志农等针对现有的基于时频分析的机械故障源分离方法要求观测信号数多于信号源的不足,提出了一种基于经验模态分解的机械故障欠定盲源分离方法。该方法利用EMD方法对混合观测信号进行分解,将分解得到的所有的本征模函数(IntrinsicModeFunction,IMF)分量及原来的混合观测信号重新组成新的观测信号,将欠定BSS问题转化为超定BSS问题;然后,对构成的新观测信号进行白化处理及联合对角化,得到源信号的估计。仿真结果验证了该方法的有效性,并且优于传统的机械故障源盲分离方法。最后,将提出的方法应用到电机-减速箱耦合实验中,进一步验证了该方法的有效性。EMD-BSS方法与Cohen-BSS方法、FRFT-BSS方法相比较,它的一个显著特点是既适用于源数多于观测信号数的分离,也适用于源数少于观测信号数的分离。而Cohen-BSS方法、FRFT-BSS方法只能处理源数少于观测信号数的混合信号的盲分离问题。3频域盲源分离技术对比作者给出基于时频分析的机械故障源分离方法,论述了时频域盲源分离的国内外研究现状,并对三种典型的时频域机械故障源盲分离方法进行了对比。虽然,基于时频分析的机械故障源分离已取得一些成果,但还有许多问题需要解决:(1)非线性混合盲源分离在实际中,机械发生故障时,传感器获得的振动信号并不都是各振源信号的线性混合,而是非线性混合。非线性混合的盲源分离是盲源分离问题中最棘手的问题,比线性混合的情况要复杂得多,但更接近实际情况,这方面需要进一步的研究和探讨。因此,基于时频分析的非线性混合的的机械故障源分离方法值得进一步深入研究。目前,在国内外,这方面还是一个空白。(2)频分析方法时频分析方法除了Cohen类时频分布、分数Fourier变换、EMD外,还有许多时频分析方法,如小波变换、第二代小波变换、局部均值分解(LocalMeanDecomposition,LMD)等,每一种时频分析方法在描述和分析非平稳信号时都有其独特的特点。因此,有必要研究基于小波变换等其他时频分析的机械故障源的盲分离方法。(3)缺少噪声的影响在机械故障诊断系统中,传感器所获得的信号不可避免地受到不同类型的未知噪声的干扰,若忽略噪声的影响,则机械源分离效果往往很差。因此,机械故障诊断源分离必须考虑噪声的影响。而现有的